CN101266296A - 高光谱小目标探测方法及装置 - Google Patents
高光谱小目标探测方法及装置 Download PDFInfo
- Publication number
- CN101266296A CN101266296A CNA2008101053208A CN200810105320A CN101266296A CN 101266296 A CN101266296 A CN 101266296A CN A2008101053208 A CNA2008101053208 A CN A2008101053208A CN 200810105320 A CN200810105320 A CN 200810105320A CN 101266296 A CN101266296 A CN 101266296A
- Authority
- CN
- China
- Prior art keywords
- mrow
- pixel
- spectrum
- msub
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 143
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000003595 spectral effect Effects 0.000 claims description 52
- 239000013598 vector Substances 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000002310 reflectometry Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 6
- 239000000470 constituent Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种高光谱小目标探测方法,包括:获取待测图像像元中三维高光谱数据的像元光谱二维矩阵;将像元光谱二维矩阵中的每个像元光谱与待测图像像元的平均光谱进行角匹配,得到每个像元的光谱角匹配值;根据光谱角匹配值,获取与每个像元对应的马氏距离;将每个像元对应的马氏距离与预定的阈值进行比较,并确定马氏距离大于预定阈值的像元点为小目标点。本发明还提供了一种高光谱小目标探测装置,采用本发明的高光谱小目标探测方法及装置,无需任何先验信息,具有较高的目标探测准确度和较快的运算速度,目标探测的效率较高。
Description
技术领域
本发明涉及高光谱遥感探测技术,尤其涉及一种高光谱小目标探测方法及装置。
背景技术
高光谱遥感是二十世纪末地球观测***中最重要的技术突破之一,它克服了传统单波段、多光谱遥感在波段数、波段范围、精细信息表达等方面的局限性,以较窄的波段区间、较多的波段数量提供遥感信息,能够从光谱空间中对地物予以细分和鉴别,在资源遥感、环境遥感、生态遥感等领域得到了广泛应用。高光谱遥感技术能够借助丰富的地物图像和光谱信息,反映目标地物与背景地物间的细微差异,从而将目标地物与背景地物区分开来。利用高光谱遥感技术,可以发现用纹理、边缘等图像特征难以探测的地面目标,这对于在图像上仅覆盖很少几个像元的小目标的探测非常有利。
目前常见的小目标探测方法主要包括:RX小目标探测方法、投影寻踪方法和主成分分解方法等。
其中,RX小目标探测方法为:假设背景光谱信息满足某种多维分布,构造图像的协方差矩阵;由主成分分析的方法将多维图像光谱压缩到少数互不相关的以主成分为基底的空间上;构造能够反映像元光谱特征值大小的检测算子,可以从背景光谱中突出目标光谱信息;再通过假设检验的方法确定小目标是否存在,从而实现小目标的探测。
投影寻踪方法为:通过选取代表目标与背景光谱区别的目标函数,构造一个或一组正交向量作为投影方向;采用优化搜索的方法确定使目标函数最大的投影方向,并将光谱数据投影至所确定的投影方向;将多维光谱信息压缩至低维,并突出目标信息,从而通过概率的方法检测出小目标。
主成分分解方法,主要是通过将各主成分的得分作为独立的图像进行异常值检测,从而实现小目标的探测。
综上所述,现有的小目标探测方法,需要对维数较大的待测区域的高光谱数据进行分解或求逆等复杂运算,运算量较大,运行速度较慢,从而导致探测效率较低。
发明内容
有鉴于此,本发明的主要目的在于提供一种高光谱小目标探测方法及装置,以解决现有技术中的小目标探测方法探测效率较低的问题。
为达到上述目的,本发明的技术方案是这样实现的:
本发明提供了一种高光谱小目标探测方法,包括:
获取待测图像像元中三维高光谱数据的像元光谱二维矩阵;
将所述像元光谱二维矩阵中的每个像元光谱与所述待测图像像元的平均光谱进行角匹配,得到每个像元的光谱角匹配值;
根据所述光谱角匹配值,获取与所述每个像元对应的马氏距离;
将所述每个像元对应的马氏距离与预定阈值进行比较,并确定马氏距离大于预定阈值的像元点为小目标点。
所述获取待测图像像元中三维高光谱数据的像元光谱二维矩阵,具体包括:
将所述待测图像像元中的三维高光谱数据表示为高光谱反射率的像元光谱二维矩阵:
Rm×n=[p1,p2...py×i+j...px×y],0<i≤x,0<j≤y,
或Rm×n=[p1,p2...pi+x×j...px×y],0<i ≤x,0<j≤y,
其中,Rm×n表示像元光谱二维矩阵,[p1,p2...py×i+j...px×y]和[p1,p2...pi+x×j...px×y]表示待测图像的像元光谱矢量,m表示波段数,n表示待测图像像元的总数,x表示待测图像像元的行数,y表示待测图像像元的列数,n=x×y。
所述获取待测图像像元中三维高光谱数据的二维矩阵之后,该方法还包括:对所述待测图像的像元光谱二维矩阵进行校正光谱误差的预处理,得到校正后的像元光谱二维矩阵。
所述预处理为连续统去除处理、标准正交变换处理和附加散射校正处理中的至少一种。
所述将像元光谱二维矩阵中的每个像元光谱与待测图像像元的平均光谱进行角匹配,得到每个像元的光谱角匹配值,具体包括:
根据所述像元光谱二维矩阵得到所述待测图像像元的平均光谱 其中,ph表示所述待测图像中第h个像元的光谱矢量;
将所述每个像元光谱与得到的平均光谱进行光谱角匹配,按如下公式计算如下:
其中,αh表示待测图像中第h个像元的光谱角匹配值,ph表示待测图像中第h个像元的光谱矢量,p表示平均光谱矢量,pk表示平均光谱矢量在第k个波段的反射率值,phk表示待测图像中的第h个像元在第k个波段处的反射率值。
所述根据光谱角匹配值,获取与每个像元对应的马氏距离为:
其中,MDh表示待测图像中第h个像元的马氏距离,αh表示待测图像中第h个像元的光谱角匹配值,n表示待测图像像元总数,α表示所有像元光谱角匹配值的平均值, M-1为马氏距离矩阵M的逆矩阵, C表示由待测图像像元中的各个αh组成的光谱角匹配向量。
所述预定阈值是采用如下方式确定的:
其中,Δ表示预定阈值, u表示待测图像中每个像元的马氏距离的平均值,Max为待测图像中每个像元的马氏距离MDh中的最大值。
本发明还提供了一种高光谱小目标探测装置,包括:二维矩阵获取单元、角匹配单元、马氏距离获取单元和小目标点确定单元;其中,
所述二维矩阵获取单元,用于获取待测图像像元中三维高光谱数据的像元光谱二维矩阵;
所述角匹配单元,用于将所述像元光谱二维矩阵中的每个像元光谱与所述待测图像像元的平均光谱进行角匹配,得到每个像元的光谱角匹配值;
所述马氏距离获取单元,用于根据所述光谱角匹配值,获取与所述每个像元对应的马氏距离;
所述小目标点确定单元,用于将所述每个像元对应的马氏距离与预定的阈值进行比较,并确定马氏距离大于预定阈值的像元点为小目标点。
所述装置还包括:预处理单元,连接所述二维矩阵获取单元和角匹配单元,用于对所述二维矩阵获取单元得到的像元光谱二维矩阵进行校正光谱误差的预处理,得到处理后的像元光谱二维矩阵提供给所述角匹配单元。
本发明所提供的高光谱小目标探测方法及装置,从光谱维角度进行光谱奇异点的检测,从而实现对异常目标的探测,无需任何先验信息;本发明在检测过程中,采用光谱角匹配的方法将多维的光谱数据压缩至一维,并突出奇异值目标信息,因此运算量小,运算速度快;本发明在马氏距离奇异值检测过程中采用适应阈值的方法,可以在像元光谱统计模型未知的基础上进行小目标探测,适用范围更加广泛,探测的准确率更高;此外,本发明是针对光谱维进行的操作,可以采集一个像元点的光谱后即进行运算,无需等待整个区域的目标光谱都采集完成,从而更好的满足了目标探测在实时性上的要求。
附图说明
图1为本发明一种高光谱小目标探测方法的流程图;
图2为本发明实施例的原始高光谱图像的示意图;
图3为本发明实施例的待测图像的示意图;
图4为本发明实施例的原始光谱未经预处理的光谱图;
图5为本发明实施例的原始光谱经连续统去除和正交变换处理后的光谱图;
图6为本发明实施例的待测图像的像元平均光谱示意图;
图7为本发明实施例的待测图像中每个像元的角匹配值示意图;
图8为本发明实施例的待测图像中每个像元的马氏距离示意图;
图9为本发明实施例的探测结果示意图;
图10为本发明一种高光谱小目标探测装置的组成结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
本发明所提供的高光谱小目标探测方法的流程图,如图1所示,主要包括以下步骤:
步骤101,获取待测图像像元中三维高光谱数据的像元光谱二维矩阵。
将获取的待测图像像元的三维高光谱数据表示为高光谱反射率的像元光谱二维矩阵,如下:
Rm×n=[p1,p2...py×i+j...px×y],0<i≤x,0<j≤y (1)
或Rm×n=[p1,p2...pi+x×j...px×y],0<i≤x,0<j≤y (2)
其中,(1)式为待测图像像元按行展开的表示形式,(2)式为待测图像像元按列展开的表示形式,Rm×n表示像元光谱二维矩阵,x表示待测图像像元行数,y表示待测图像像元列数,m表示波段数,n表示待测图像像元总数,n=x×y。[p1,p2...py×i+j...px×y]和[p1,p2...pi+x×j...px×y]表示待测图像的像元光谱矢量,在按行展开的Rm×n中,py×i+j表示待测图像中第i行第j列对应像元的光谱矢量;同理,在按列展开的Rm×n中,pi+x×j则表示待测图像中第i行第j列对应像元的光谱矢量。每个像元的光谱矢量包括该像元在各个波段处的反射率值,例如:假设第h个像元的光谱矢量为ph,则ph=[ph1,ph2...phk...phm]T,[ph1,ph2...phk...phm]T代表[ph1,ph2...phk...phm]的转置矩阵,其中phk表示第h个像元在第k个波段处的反射率值。由于成像光谱仪获取的是图像像元点在每个波段处的反射率值,因此该反射率值为已知量。
步骤102,对待测图像的像元光谱二维矩阵进行校正光谱误差的预处理,得到处理后的像元光谱二维矩阵。
对二维矩阵进行预处理的目的是校正因大气散射等引起的光谱误差,预处理的方法可以为连续统去除处理、标准正交变换处理和附加散射校正处理中的至少一种。
其中,连续统去除处理具体包括:在光谱吸收中心两侧确定两个相对峰值点作为端点,连接两个端点就构成一条包络在反射率曲线上方的直线,这条直线即为连续统。连续统去除后的相对反射率就是用实际光谱反射率除以连续统上相应波长处的反射率。经过连续统去除后,端点处的反射率均为1,而端点之间的反射率均小于1。
标准正交变换处理的公式如下:
其中,phk,SNV表示经过正交变换处理后待测图像中第h个像元在第k个波段的反射率值,ph表示待测图像中第h个像元在各个波段处反射率的平均值,m表示波段数,m-1表示自由度。
附加散射校正处理的过程包括:
首先,计算平均光谱矢量:
然后,对每一个像元光谱进行线性回归:
ph=mhp+bh (5)
再进行附加散射校正:
上述(4)到(6)式中,p表示平均光谱矢量,表示对所有像元光谱矢量的求和,ph表示待测图像中第h个像元的光谱矢量,mh、bh分别表示第h个像元光谱矢量ph与所有像元平均光谱矢量的线性回归的斜率与截距,ph(MSC)表示经过附加散射校正后的像元光谱矢量。
在进行预处理之后,可以得到校正光谱误差之后较精确的光谱信息。需要指出的是,本发明的预处理方法并不仅仅局限于上述三种处理方法,其他任何能校正因大气散射引等起的光谱误差的处理方法也应属于本发明的保护范围;并且本发明实施例中进行预处理的操作可以选择上述三种处理方法中的其中一种执行操作,也可选择多种依次执行操作。步骤102为本发明的高光谱小目标探测方法中的可选操作,通过步骤102的预处理,可以使得高光谱小目标探测的结果更加准确。
步骤103,将处理后的像元光谱二维矩阵中的每个像元光谱与待测图像像元的平均光谱进行角匹配,得到每个像元的光谱角匹配值。
计算每个像元的光谱角匹配值的公式为:
其中,αh表示待测图像中第h个像元的光谱角匹配值,ph表示待测图像中第h个像元的光谱矢量,p表示平均光谱矢量,pk表示平均光谱矢量在第k个波段的反射率值,phk表示待测图像中的第h个像元在第k个波段处的反射率值。所谓光谱角匹配值是指待测像元光谱与平均光谱之间的夹角,待测图像中的每个像元对应着一个光谱角匹配值,该角匹配值反映了每个像元偏离整个待测图像的水平。公式(7)中的p实际上是作为一种参考光谱矢量,实现角匹配,而在实际应用中也可以采用其他的参考光谱矢量来代替公式(7)中的p进行角匹配,例如在待测图像为草地占主导的情况下,可以选择草的光谱矢量为参考光谱矢量,代替p实现上述公式(7)的运算。
步骤104,根据光谱角匹配值,获取与每个像元对应的马氏距离。
首先,根据得到的待测图像中每个像元的光谱角匹配值αh,计算每个像元光谱角匹配值的马氏距离,马氏距离的计算公式为:
其中,MDh表示待测图像中第h个像元的马氏距离,n表示待测图像像元总数,α表示所有像元光谱角匹配值的平均值, M-1为马氏距离矩阵M的逆矩阵,M可以由下式计算得到,
其中,C为由待测图像像元中的各个αh组成的光谱角匹配向量。
步骤105,将每个像元对应的马氏距离与预定的阈值进行比较,并确定马氏距离大于预定阈值的像元点为小目标点。
预定阈值Δ可通过下式确定:
其中, u为待测图像中每个像元的马氏距离的平均值,Max为待测图像中每个像元的马氏距离MDh中的最大值,也即确定马氏距离MDh大于Δ的像元点为小目标点。
下面结合具体实施例对上述本发明的高光谱小目标探测方法进一步详细阐述。本实例所用的高光谱遥感数据来源于机载成像光谱仪,机载成像光谱仪为采用推扫成像方式的成像光谱仪。本实施例中使用的高光谱图像如图2所示,大小为614×512像元,每个像元光谱包括224个波长,波长范围从369.85纳米到2506.81纳米,波长间隔为10纳米。具体探测过程如下:
A、取图2中所示白色方框内43×43像元的图像为本实施例的待测图像,图3则为该待测图像的示意图,待测图像像元总数n=43×43=1849。由于坏波段的存在,只采用光谱质量较好的507.74~1324.03nm波段作为探测波段。其中,可以看到白色方框中间的灰度值较大的像元为目标像元。
B、对待测图像的各像元光谱进行连续统去除和标准正交变换处理,处理前的原始光谱如图4所示,处理后的光谱如图5所示。图4和图5中的横坐标表示波长,纵坐标表示反射率。
C、将待测图像中每个像元的光谱与待测图像像元的平均光谱进行光谱角匹配,得到待测图像中每个像元的光谱角匹配值。待测图像像元的平均光谱如图6所示,图6中的横坐标表示波长,纵坐标表示反射率。得到的每个像元的光谱角匹配值如图7所示,图7中的横坐标表示像元数,纵坐标表示光谱角匹配值。
D、根据每个像元的光谱角匹配值,计算与每个像元相对应的马氏距离,如图8所示,图8为本发明实施例的待测图像中每个像元的马氏距离示意图,图中的横坐标表示像元数,纵坐标表示马氏距离值。
E、对每个像元光谱所对应的马氏距离进行奇异值检测,将各像元光谱所对应的马氏距离值与预定的阈值进行比较,并确定马氏距离值大于预定阈值的像元为目标像元,从图9所示的探测结果示意图中可以看出待测图像中心的目标像元点被准确的检测出来,探测结果与实际情况相符。
为实现上述本发明的高光谱小目标探测方法,本发明还提供了一种高光谱小目标探测装置,如图10所示,该装置包括:二维矩阵获取单元10、预处理单元20、角匹配单元30、马氏距离获取单元40和小目标点确定单元50。二维矩阵获取单元10,用于获取待测图像像元中三维高光谱数据的像元光谱二维矩阵。预处理单元20,连接二维矩阵获取单元10,用于对二维矩阵获取单元10得到的像元光谱二维矩阵进行校正光谱误差的预处理,得到处理后的像元光谱二维矩阵提供给角匹配单元30。预处理的方法可以为连续统去除处理、标准正交变换处理和附加散射校正处理中的至少一种,预处理的目的是校正因大气散射引起的光谱误差。角匹配单元30,连接预处理单元20,用于将经过预处理的像元光谱二维矩阵中的每个像元光谱与待测图像像元的平均光谱进行角匹配,得到每个像元的光谱角匹配值。马氏距离获取单元40,连接角匹配单元30,用于根据光谱角匹配值,获取与每个像元对应的马氏距离。小目标点确定单元50,连接马氏距离获取单元40,用于将每个像元对应的马氏距离与预定的阈值进行比较,并确定马氏距离大于预定阈值的像元点为小目标点。
综上所述,本发明所提供的高光谱小目标探测方法及装置,从光谱维角度进行光谱奇异点的检测,从而实现对异常目标的探测,无需任何先验信息;本发明在检测过程中,采用光谱角匹配的方法将多维的光谱数据压缩至一维,并突出奇异值目标信息,因此运算量小,运算速度快;本发明在马氏距离奇异值检测过程中采用适应阈值的方法,可以在像元光谱统计模型未知的基础上进行小目标探测,适用范围更加广泛,探测的准确率更高;此外,本发明是针对光谱维进行的操作,可以采集一个像元点的光谱后即进行运算,无需等待整个区域的目标光谱都采集完成,从而更好的满足了目标探测在实时性上的要求。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (9)
1、一种高光谱小目标探测方法,其特征在于,包括:
获取待测图像像元中三维高光谱数据的像元光谱二维矩阵;
将所述像元光谱二维矩阵中的每个像元光谱与所述待测图像像元的平均光谱进行角匹配,得到每个像元的光谱角匹配值;
根据所述光谱角匹配值,获取与所述每个像元对应的马氏距离;
将所述每个像元对应的马氏距离与预定阈值进行比较,并确定马氏距离大于预定阈值的像元点为小目标点。
2、根据权利要求1所述高光谱小目标探测方法,其特征在于,所述获取待测图像像元中三维高光谱数据的像元光谱二维矩阵,具体包括:
将所述待测图像像元中的三维高光谱数据表示为高光谱反射率的像元光谱二维矩阵:
Rm×n=[p1,p2...py×i+j...px×y],0<i≤x,0<j≤y,
或Rm×n=[p1,p2...pi+x×j...px×y],0<i≤x,0<j≤y,
其中,Rm×n表示像元光谱二维矩阵,[p1,p2...py×i+j...px×y]和[p1,p2...pi+x×j...px×y]表示待测图像的像元光谱矢量,m表示波段数,n表示待测图像像元的总数,x表示待测图像像元的行数,y表示待测图像像元的列数,n=x×y。
3、根据权利要求1所述高光谱小目标探测方法,其特征在于,所述获取待测图像像元中三维高光谱数据的二维矩阵之后,该方法还包括:对所述待测图像的像元光谱二维矩阵进行校正光谱误差的预处理,得到校正后的像元光谱二维矩阵。
4、根据权利要求3所述高光谱小目标探测方法,其特征在于,所述预处理为连续统去除处理、标准正交变换处理和附加散射校正处理中的至少一种。
5、根据权利要求1所述高光谱小目标探测方法,其特征在于,所述将像元光谱二维矩阵中的每个像元光谱与待测图像像元的平均光谱进行角匹配,得到每个像元的光谱角匹配值,具体包括:
根据所述像元光谱二维矩阵得到所述待测图像像元的平均光谱 其中,ph表示所述待测图像中第h个像元的光谱矢量;
将所述每个像元光谱与得到的平均光谱进行光谱角匹配,按如下公式计算如下:
其中,αh表示待测图像中第h个像元的光谱角匹配值,ph表示待测图像中第h个像元的光谱矢量,p表示平均光谱矢量,pk表示平均光谱矢量在第k个波段的反射率值,phk表示待测图像中的第h个像元在第k个波段处的反射率值。
6、根据权利要求1所述高光谱小目标探测方法,其特征在于,所述根据光谱角匹配值,获取与每个像元对应的马氏距离为:
其中,MDh表示待测图像中第h个像元的马氏距离,αh表示待测图像中第h个像元的光谱角匹配值,n表示待测图像像元总数,α表示所有像元光谱角匹配值的平均值, M-1为马氏距离矩阵M的逆矩阵, C表示由待测图像像元中的各个αh组成的光谱角匹配向量。
7、根据权利要求1所述高光谱小目标探测方法,其特征在于,所述预定阈值是采用如下方式确定的:
其中,Δ表示预定阈值, u表示待测图像中每个像元的马氏距离的平均值,Max为待测图像中每个像元的马氏距离MDh中的最大值。
8、一种高光谱小目标探测装置,其特征在于,包括:二维矩阵获取单元、角匹配单元、马氏距离获取单元和小目标点确定单元;其中,
所述二维矩阵获取单元,用于获取待测图像像元中三维高光谱数据的像元光谱二维矩阵;
所述角匹配单元,用于将所述像元光谱二维矩阵中的每个像元光谱与所述待测图像像元的平均光谱进行角匹配,得到每个像元的光谱角匹配值;
所述马氏距离获取单元,用于根据所述光谱角匹配值,获取与所述每个像元对应的马氏距离;
所述小目标点确定单元,用于将所述每个像元对应的马氏距离与预定的阈值进行比较,并确定马氏距离大于预定阈值的像元点为小目标点。
9、根据权利要求8所述高光谱小目标探测装置,其特征在于,所述装置还包括:预处理单元,连接所述二维矩阵获取单元和角匹配单元,用于对所述二维矩阵获取单元得到的像元光谱二维矩阵进行校正光谱误差的预处理,得到处理后的像元光谱二维矩阵提供给所述角匹配单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2008101053208A CN100573193C (zh) | 2008-04-28 | 2008-04-28 | 高光谱小目标探测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2008101053208A CN100573193C (zh) | 2008-04-28 | 2008-04-28 | 高光谱小目标探测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101266296A true CN101266296A (zh) | 2008-09-17 |
CN100573193C CN100573193C (zh) | 2009-12-23 |
Family
ID=39988843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2008101053208A Expired - Fee Related CN100573193C (zh) | 2008-04-28 | 2008-04-28 | 高光谱小目标探测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100573193C (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218779A (zh) * | 2013-03-26 | 2013-07-24 | 华东师范大学 | 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法 |
CN103591940A (zh) * | 2012-08-17 | 2014-02-19 | 通用电气航空***有限责任公司 | 评估高光谱图像的标记匹配置信度的方法 |
CN103593379A (zh) * | 2012-08-17 | 2014-02-19 | 通用电气航空***有限责任公司 | 选择用于在处理高光谱数据中使用的算法的方法 |
CN103926203A (zh) * | 2014-04-29 | 2014-07-16 | 中国科学院遥感与数字地球研究所 | 一种针对地物光谱不确定性的光谱角度制图方法 |
CN103955711A (zh) * | 2014-05-20 | 2014-07-30 | 北京航空航天大学 | 一种成像光谱目标识别分析中的模式识别方法 |
CN104463897A (zh) * | 2014-12-30 | 2015-03-25 | 电子科技大学 | 一种高光谱目标探测的方法 |
CN104504726A (zh) * | 2015-01-19 | 2015-04-08 | 中国科学院遥感与数字地球研究所 | 一种从图像中探测目标的方法及装置 |
CN104574409A (zh) * | 2015-01-19 | 2015-04-29 | 中国科学院遥感与数字地球研究所 | 一种从图像中探测目标的方法及装置 |
CN105719246A (zh) * | 2016-01-13 | 2016-06-29 | 华南理工大学 | 一种检测开敞水体的光谱成像可视化前处理方法 |
CN105761272A (zh) * | 2016-03-16 | 2016-07-13 | 北京航空航天大学 | 一种成像光谱混合像元中纯物质数量确定方法 |
CN105954252A (zh) * | 2016-04-21 | 2016-09-21 | 北京航空航天大学 | 一种饲料原料中非法添加物苏丹红的定性检测方法 |
CN106950546A (zh) * | 2017-03-22 | 2017-07-14 | 西安电子科技大学 | 基于马氏距离重加权的非均匀杂波抑制方法 |
CN109035803A (zh) * | 2018-09-07 | 2018-12-18 | 合刃科技(武汉)有限公司 | 一种采用高光谱成像装置进行路况预警的监测*** |
CN110009032A (zh) * | 2019-03-29 | 2019-07-12 | 江西理工大学 | 一种基于高光谱成像的组装分类方法 |
CN113390799A (zh) * | 2021-06-24 | 2021-09-14 | 中国烟草总公司郑州烟草研究院 | 一种烟叶中梗的识别与检测方法 |
-
2008
- 2008-04-28 CN CNB2008101053208A patent/CN100573193C/zh not_active Expired - Fee Related
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103591940A (zh) * | 2012-08-17 | 2014-02-19 | 通用电气航空***有限责任公司 | 评估高光谱图像的标记匹配置信度的方法 |
CN103593379A (zh) * | 2012-08-17 | 2014-02-19 | 通用电气航空***有限责任公司 | 选择用于在处理高光谱数据中使用的算法的方法 |
CN103591940B (zh) * | 2012-08-17 | 2017-05-03 | 通用电气航空***有限责任公司 | 评估高光谱图像的标记匹配置信度的方法 |
CN103593379B (zh) * | 2012-08-17 | 2018-10-19 | 通用电气航空***有限责任公司 | 选择用于在处理高光谱数据中使用的算法的方法 |
CN103218779B (zh) * | 2013-03-26 | 2015-11-18 | 华东师范大学 | 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法 |
CN103218779A (zh) * | 2013-03-26 | 2013-07-24 | 华东师范大学 | 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法 |
CN103926203A (zh) * | 2014-04-29 | 2014-07-16 | 中国科学院遥感与数字地球研究所 | 一种针对地物光谱不确定性的光谱角度制图方法 |
CN103926203B (zh) * | 2014-04-29 | 2016-04-20 | 中国科学院遥感与数字地球研究所 | 一种针对地物光谱不确定性的光谱角度制图方法 |
CN103955711A (zh) * | 2014-05-20 | 2014-07-30 | 北京航空航天大学 | 一种成像光谱目标识别分析中的模式识别方法 |
CN103955711B (zh) * | 2014-05-20 | 2017-07-07 | 北京航空航天大学 | 一种成像光谱目标识别分析中的模式识别方法 |
CN104463897A (zh) * | 2014-12-30 | 2015-03-25 | 电子科技大学 | 一种高光谱目标探测的方法 |
CN104463897B (zh) * | 2014-12-30 | 2017-11-10 | 电子科技大学 | 一种高光谱目标探测的方法 |
CN104574409A (zh) * | 2015-01-19 | 2015-04-29 | 中国科学院遥感与数字地球研究所 | 一种从图像中探测目标的方法及装置 |
CN104504726A (zh) * | 2015-01-19 | 2015-04-08 | 中国科学院遥感与数字地球研究所 | 一种从图像中探测目标的方法及装置 |
CN104574409B (zh) * | 2015-01-19 | 2018-05-04 | 中国科学院遥感与数字地球研究所 | 一种从图像中探测目标的方法及装置 |
CN105719246A (zh) * | 2016-01-13 | 2016-06-29 | 华南理工大学 | 一种检测开敞水体的光谱成像可视化前处理方法 |
CN105719246B (zh) * | 2016-01-13 | 2018-06-29 | 华南理工大学 | 一种检测开敞水体的光谱成像可视化前处理方法 |
CN105761272B (zh) * | 2016-03-16 | 2018-05-15 | 北京航空航天大学 | 一种成像光谱混合像元中纯物质数量确定方法 |
CN105761272A (zh) * | 2016-03-16 | 2016-07-13 | 北京航空航天大学 | 一种成像光谱混合像元中纯物质数量确定方法 |
CN105954252A (zh) * | 2016-04-21 | 2016-09-21 | 北京航空航天大学 | 一种饲料原料中非法添加物苏丹红的定性检测方法 |
CN106950546A (zh) * | 2017-03-22 | 2017-07-14 | 西安电子科技大学 | 基于马氏距离重加权的非均匀杂波抑制方法 |
CN106950546B (zh) * | 2017-03-22 | 2019-08-06 | 西安电子科技大学 | 基于马氏距离重加权的非均匀杂波抑制方法 |
CN109035803A (zh) * | 2018-09-07 | 2018-12-18 | 合刃科技(武汉)有限公司 | 一种采用高光谱成像装置进行路况预警的监测*** |
CN110009032A (zh) * | 2019-03-29 | 2019-07-12 | 江西理工大学 | 一种基于高光谱成像的组装分类方法 |
CN110009032B (zh) * | 2019-03-29 | 2022-04-26 | 江西理工大学 | 一种基于高光谱成像的组装分类方法 |
CN113390799A (zh) * | 2021-06-24 | 2021-09-14 | 中国烟草总公司郑州烟草研究院 | 一种烟叶中梗的识别与检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN100573193C (zh) | 2009-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100573193C (zh) | 高光谱小目标探测方法及装置 | |
Pölönen et al. | Hyperspectral imaging based biomass and nitrogen content estimations from light-weight UAV | |
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
US8571325B1 (en) | Detection of targets from hyperspectral imagery | |
EP2511680A2 (en) | Optimized orthonormal system and method for reducing dimensionality of hyperspectral Images | |
CN101144861A (zh) | 高光谱亚像元目标探测方法及装置 | |
US8897570B1 (en) | Detection of targets from hyperspectral imagery | |
US8897571B1 (en) | Detection of targets from hyperspectral imagery | |
EP2870586B1 (en) | System and method for residual analysis of images | |
Tsai et al. | 3D computation of gray level co-occurrence in hyperspectral image cubes | |
Keller et al. | Developing a machine learning framework for estimating soil moisture with VNIR hyperspectral data | |
US10215642B2 (en) | System and method for polarimetric wavelet fractal detection and imaging | |
CN113537108B (zh) | 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法 | |
JP3500945B2 (ja) | マルチスペクトル衛星画像の処理方法と処理システム並びに水圏評価方法 | |
Jia et al. | Extended morphological profile-based Gabor wavelets for hyperspectral image classification | |
CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
CN116206211A (zh) | 综合时序遥感信息和KL-divergence的地物类型识别方法 | |
Ozdil et al. | Representative signature generation for plant detection in hyperspectral images | |
CN113311408B (zh) | 一种高光谱激光雷达的辐射校正方法和装置 | |
CN102156872A (zh) | 一种基于多光谱数据的物体识别方法和装置 | |
CN112577954B (zh) | 城市绿地地上生物量估测方法 | |
CN110263777B (zh) | 基于空谱结合的局部保持投影算法的目标检测方法及*** | |
Mader et al. | Crop classification with hyperspectral data of the HyMap sensor using different feature extraction techniques | |
CN113177488A (zh) | 基于最佳指数波段组合的高光谱图像波段选择方法 | |
CN112633374A (zh) | 一种结合多光谱混合像元线性分解的监督分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20091223 Termination date: 20160428 |